本資料は、書籍「スパース回帰分析とパターン認識」を筆者が勉強する過程で作成したものであり、詳細は当該書籍を参照されたい。
まず前節までに導入されたベイズ判別ルールについて簡単に振り返る。詳細は前回発表資料を参照されたい。
ベイズ判別ルールとは、統計的分類手法のひとつであり、各観測値が属する群(クラス)を判別する機能を持つ。具体的に2群分類の場合には、下記のルールにより観測空間を各群への帰属領域として分割する。
\[ \begin{aligned} R_1 &= \{x \in R^d \mid \pi_2 f_2(x) \leq \pi_1 f_1(x) \} \\ R_2 &= \{x \in R^d \mid \pi_2 f_2(x) > \pi_1 f_1(x) \} \end{aligned} \]
ただし、各記号はそれぞれ
\(x\) : 観測値
\(\pi_k\) , \(f_k\) : 母集団(群k, k=1,2)の事前確率、確率密度関数
を表す。このルールは、ベイズ事後確率の大小比較と等価のためベイズ判別ルールと呼ばれている。
ベイズ判別ルールにおいて重要な性質は、事後確率の比が分かれば十分ということである。つまり、
\[ \begin{aligned} &\pi_2 f_2(x) \leq \pi_1 f_1(x) \\ \Leftrightarrow & 1 \leq \frac{\pi_1 f_1(x)}{\pi_2 f_2(x)}, \pi_2 f_2(x) \neq 0 \end{aligned} \]
が成り立つ。任意の観測値 \(x\) に対して各群での発生確率が0でないと仮定できれば、単純に事後確率の比が1を超えるか否かで判別ルールを定義できる。計算の都合上、両辺に対数を取ることもよく行われる。
さて、2群それぞれのサンプルが、共通の共分散行列を持つ2つの正規分布 \(N(\mu_k, \Sigma)\) に従い発生していると仮定する。この場合の判別ルールは、対数密度比が \[\begin{align} \log \left\{ \frac{\pi_1 N(x \mid \mu_1, \Sigma)}{\pi_2 N(x \mid \mu_2, \Sigma)} \right\} &= (\Sigma^{-1}(\mu_1 - \mu_2))^\top x - \frac{1}{2}(\mu_1 - \mu_2)^\top \Sigma^{-1} (\mu_1 + \mu_2) + \log(\frac{\pi_1}{\pi_2}) \\ &= \nu^\top x + \xi \end{align}\]
となるため、観測値 \(x\) の一次結合で定義できる。 \(x \in \mathbb{R}^d\) の場合、判別ルールは \(d+1\) 個のパラメータが特定できれば十分(一意に定まる)とわかる。しかし、今回の例では \(\mu_1, \mu_2, \Sigma\) に含まれるパラメータ数は合計 \(d(d+3)/2 -1\) 個であり、必要以上にパラメータを推定している。観測空間の次元数 \(d\) が大きいほど不要なパラメータ数も増大するため判別効率が下がってしまう。そのため、より多くの説明変数を加えたにも関わらず、期待通りに判別性能が向上するとは限らない。
x <- seq(1, 50, 1)
plot(x, x+1, ylim = c(0, 1000), type = 'o', xlab = 'dim of observations', ylab='# of params')
par(new = T)
plot(x, x*(x+3)/2 - 1, ylim = c(0, 1000), type = 'o', pch = 0, ann = F)
自然な発想として、 \(d+1\) 個のパラメータを直接推定したら効率的に思える。つまり、
\[ \begin{aligned} \log \left\{ \frac{\pi_1 f_1(x)}{\pi_2 f_2(x)} \right\} &= \beta_0 + \beta^\top x \end{aligned} \]
を満たす分布族においては、直接パラメータ \(\{\beta_0, \beta\}\) を推定することを考える。これをロジスティックモデルと呼び、このモデルによる判別をロジスティック判別と呼ぶ。
このロジスティックモデルが適応できる分布族は、以下が挙げられる。
ここでは1,2への証明を与えたい。
共分散行列が等しい場合は、 対数密度比が\(x\) の一次結合となることは前節「ベイズ判別ルール」にて確認済みである。共分散行列が異なる場合は、二次項が残り二次判別となるためロジスティックモデルでは表現できない点に注意が必要である(テキストp.72参照)。
確率変数 \(X = (X_1, X_2, \ldots, X_d)^\top\) の各成分が独立にベルヌーイ分布に従う場合、群 \(k\) の確率関数は
\[ \begin{align} f_k(x) = \prod_{i=1}^{d} p_{ki}^{x_i}(1-p_{ki})^{1-x_i} \end{align} \]
となる。このとき対数の確率関数比は
\[ \begin{align} \log \left\{\frac{\pi_1 f_1(x)}{\pi_2 f_2(x)}\right\} &= \log \left\{\frac{\pi_1 \prod_{i=1}^{d} p_{1i}^{x_i}(1-p_{1i})^{1-x_i}}{\pi_2 \prod_{i=1}^{d} p_{2i}^{x_i}(1-p_{2i})^{1-x_i}}\right\} \\ &= \sum_{i=1}^{d}\left(x_i\log\frac{p_{1i}}{p_{2i}} + (1-x_i)\log\frac{1-p_{1i}}{1-p_{2i}} \right) + (\text{定数項}) \\ &= \sum_{i=1}^{d}\left(\log\frac{p_{1i}}{p_{2i}} - \log\frac{1-p_{1i}}{1-p_{2i}} \right)x_i + (\text{定数項}) \end{align} \]
となり観測値 \(x\) の一次結合で表せることがわかった。
観測値が1次元であり、群1の確率関数が \(p\) 、群2の確率関数が \(1-p\) の場合は
\[ \begin{align} \log \frac{p}{1-p} = \beta_0 + \beta^\top x \end{align} \]
のようなモデルとなり二値分類が可能となる。他の教科書では、このように対数オッズ比の線形回帰にからロジスティックモデルを導入することが多いように思う。
パラメータは最尤推定法により推定可能である。詳細はテキストp.86に譲るが、ロジスティックモデルの対数尤度は2階微分が負の上に凸な関数であるため、ニュートン法により安定して(局所最適にトラップされることなく)最尤推定量を求められる。
本節では、ベイズ判別との比較を通じてロジスティック判別の使いどころを検証したい。具体的には、下表の論点を一つ一つ検証していきたい。
| 検証ポイント | 説明 |
|---|---|
| データの発生分布が正規分布だった場合、ロジスティック判別の判別性能はベイズ判別に劣るのか? | テキストp.85に、真の分布が正規分布だった場合ロジスティック判別は判別効率が落ちると記載がある。これは本当か検証したい。 |
| データの発生分布が正規分布ではなかった場合、ロジスティック判別はベイズ判別に勝るのか? | テキストp.85に、真の分布が正規分布から離れている場合はロジスティック判別の方が比較的良い結果を与えると記載がある。これは本当か検証したい。 |
| 分散共分散行列が群間で一致しない場合に、ロジスティック判別はどのように振る舞うか? | ロジスティック判別の仮定として、分散共分散行列が群間共通である必要がある。しかし現実では群ごとに分散が異なることは自然であり、その場合”無理やり”ロジスティック判別を適応した場合の副作用を検証したい。 |
| データの次元数が大きい場合、ロジスティック判別の判別性能はベイズ判別に勝るのか? | 本テキストでは、“無駄な”パラメータの推定を避ける形でロジスティック判別を導入した。データの次元数が大きいほど、その恩恵は顕著になると考えられる。これは本当か検証したい。 |
データが2群の正規分布から発生している場合を考える。正規分布が互いに重なっている比較的分離が難しいシチュエーションにて、ベイズ線形判別(LDA)とロジスティック判別の性能評価を実験する。
# データ生成
library(mvtnorm)
## パラメータ設定
mean1 <- c(0, 0) # 正規分布1の平均ベクトル
mean2 <- c(1.0, 1.0) # 正規分布2の平均ベクトル
sigma <- matrix(c(1.0, -0.5, -0.5, 1.0), nrow = 2) # 共分散行列
## サンプル生成
set.seed(42)
sample1 <- rmvnorm(500, mean1, sigma)
sample2 <- rmvnorm(500, mean2, sigma)
## ラベル付与
label1 <- rep(1, 500)
label2 <- rep(2, 500)
## data.frameに格納
data <- data.frame(x1 = c(sample1[,1], sample2[,1]),
x2 = c(sample1[,2], sample2[,2]),
y = c(label1, label2))
plot(data, col = data$y)
# train/test データへの分割
## データフレームを80%/20%に分割する関数を作成
split_data <- function(data, train_ratio) {
# データフレームの行数と分割点を計算
n <- nrow(data)
train_index <- round(train_ratio * n)
# データをランダムに並び替える
shuffled_data <- data[sample(n), ]
# 分割点を使用してデータを分割
train_data <- shuffled_data[1:train_index, ]
test_data <- shuffled_data[(train_index + 1):n, ]
# 分割されたデータをリストで返す
return(list(train_data = train_data, test_data = test_data))
}
## 分割の実行
split <- split_data(data, train_ratio = 0.8)
train_data <- split$train_data
test_data <- split$test_data
## trainラベル比率の確認
table(train_data$y)
##
## 1 2
## 407 393
## testラベル比率の確認
table(test_data$y)
##
## 1 2
## 93 107
# ロジスティック判別
library(nnet)
## 判別境界の学習
Logistic <- multinom(y ~ x1 + x2, data = train_data, trace = FALSE)
Logistic
## Call:
## multinom(formula = y ~ x1 + x2, data = train_data, trace = FALSE)
##
## Coefficients:
## (Intercept) x1 x2
## -2.062558 2.132329 2.026156
##
## Residual Deviance: 550.5864
## AIC: 556.5864
# ベイズ線形判別(LDA)
library(MASS)
## 判別境界の学習
LDA <- lda(y ~ x1 + x2, data = train_data)
LDA
## Call:
## lda(y ~ x1 + x2, data = train_data)
##
## Prior probabilities of groups:
## 1 2
## 0.50875 0.49125
##
## Group means:
## x1 x2
## 1 -0.07699545 0.04031157
## 2 1.03164011 0.97899907
##
## Coefficients of linear discriminants:
## LD1
## x1 1.0249905
## x2 0.9675109
# 判別性能評価
### Logistic: trainデータ誤答率
Logistic.train <- as.integer(predict(Logistic))
Logistic.err.train <- mean(train_data$y != Logistic.train)
### LDA: trainデータ誤答率
LDA.train <- as.integer(predict(LDA)$class)
LDA.err.train <- mean(train_data$y != LDA.train)
### Logistic: testデータ誤答率
Logistic.test <- as.integer(predict(Logistic, test_data))
Logistic.err.test <- mean(test_data$y != Logistic.test)
### LDA: testデータ誤答率
LDA.test <- as.integer(predict(LDA, test_data)$class)
LDA.err.test <- mean(test_data$y != LDA.test)
cat("Logistic trainデータ誤答率 ", Logistic.err.train,"\n",
"LDA trainデータ誤答率 ", LDA.err.train,"\n",
"Logistic testデータ誤答率 ", Logistic.err.test,"\n",
"LDA testデータ誤答率 ", LDA.err.test,"\n")
## Logistic trainデータ誤答率 0.14875
## LDA trainデータ誤答率 0.15
## Logistic testデータ誤答率 0.15
## LDA testデータ誤答率 0.145
# 描画
## x1, x2の値域を定義
r1 <- range(data$x1); r2 <- range(data$x2)
## 判別境界描画のための格子点を作成
grid <- data.frame(expand.grid(
x1 = seq(r1[1], r1[2], length.out = 500),
x2 = seq(r2[1], r2[2], length.out = 500)
))
## 判別境界の作成
logistic.area <- as.integer(predict(Logistic, grid))
lda.area <- as.integer(predict(LDA, grid)$class)
## プロット画面を4分割
par(mfrow = c(2,2))
## trainデータの散布図: Logistic
plot(grid, col = grey(0.5 + 0.2*logistic.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(train_data$x1, train_data$x2,
xlim = r1, ylim = r2,
col = train_data$y,
pch = train_data$y,
main = "Training(Logistic)"
)
## testデータの散布図: Logistic
plot(grid, col = grey(0.5 + 0.2*logistic.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(test_data$x1, test_data$x2,
xlim = r1, ylim = r2,
col = test_data$y,
pch = test_data$y,
main = "Test(Logistic)"
)
## trainデータの散布図: LDA
plot(grid, col = grey(0.5 + 0.2*lda.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(train_data$x1, train_data$x2,
xlim = r1, ylim = r2,
col = train_data$y,
pch = train_data$y,
main = "Training(LDA)"
)
## testデータの散布図: LDA
plot(grid, col = grey(0.5 + 0.2*lda.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(test_data$x1, test_data$x2,
xlim = r1, ylim = r2,
col = test_data$y,
pch = test_data$y,
main = "Test(LDA)"
)
## プロット画面の分割解除
par(mfrow = c(1,1))
ロジスティック判別の性能は、テストデータへの正答率(汎化性能)の意味でベイズ線形判別に劣りそうである。しかし、高々1データセットの結果を以て判断はできないため、各群の距離を変えながら複数回に渡って実験を行う。
# 群間の距離を変えた時の実験
experiment_distance <- function(d){
# データ生成
## パラメータ設定
mean1 <- c(0, 0) # 正規分布1の平均ベクトル
mean2 <- c(0, d) # 正規分布2の平均ベクトル
sigma <- matrix(c(1.0, -0.5, -0.5, 1.0), nrow = 2) # 共分散行列
## サンプル生成
set.seed(123)
sample1 <- rmvnorm(1000, mean1, sigma)
sample2 <- rmvnorm(1000, mean2, sigma)
## ラベル付与
label1 <- rep(1, 1000)
label2 <- rep(2, 1000)
## data.frameに格納
data <- data.frame(x1 = c(sample1[,1], sample2[,1]),
x2 = c(sample1[,2], sample2[,2]),
y = c(label1, label2))
# train/test データへの分割
split <- split_data(data, train_ratio = 0.5)
train_data <- split$train_data
test_data <- split$test_data
# 判別境界の学習
Logistic <- multinom(y ~ x1 + x2, data = train_data, trace = FALSE)
LDA <- lda(y ~ x1 + x2, data = train_data)
# 判別性能
### Logistic: trainデータ誤答率
Logistic.train <- as.integer(predict(Logistic))
Logistic.err.train <- mean(train_data$y != Logistic.train)
### LDA: trainデータ誤答率
LDA.train <- as.integer(predict(LDA)$class)
LDA.err.train <- mean(train_data$y != LDA.train)
### Logistic: testデータ誤答率
Logistic.test <- as.integer(predict(Logistic, test_data))
Logistic.err.test <- mean(test_data$y != Logistic.test)
### LDA: testデータ誤答率
LDA.test <- as.integer(predict(LDA, test_data)$class)
LDA.err.test <- mean(test_data$y != LDA.test)
return(c(d,
Logistic.err.train, Logistic.err.test,
LDA.err.train, LDA.err.test))
}
# 群間の距離を変えながら実験
result <- c()
for(i in seq(0, 3.0, 0.05)){
result <- rbind(result, experiment_distance(i))
}
df_result <- data.frame(result)
colnames(df_result) <- c("distance",
"Logistic_train_loss", "Logistic_test_loss",
"LDA_train_loss", "LDA_test_loss")
df_result$diff <- df_result$Logistic_test_loss - df_result$LDA_test_loss
# 描画
library(ggplot2)
library(gridExtra)
## train lossの描画
train_loss <- ggplot(df_result, aes(x = distance)) +
geom_line(aes(y = Logistic_train_loss), color = "red") +
geom_point(aes(y = Logistic_train_loss), color = "red") +
geom_line(aes(y = LDA_train_loss), color = "green") +
geom_point(aes(y = LDA_train_loss), color = "green") +
labs(title = 'Train loss')
## test lossの描画
test_loss <- ggplot(df_result, aes(x = distance)) +
geom_line(aes(y = Logistic_test_loss), color = "red") +
geom_point(aes(y = Logistic_test_loss), color = "red") +
geom_line(aes(y = LDA_test_loss), color = "green") +
geom_point(aes(y = LDA_test_loss), color = "green") +
labs(title = 'Test loss')
## 性能差の描画
diff_loss <- ggplot(df_result, aes(x = distance)) +
geom_line(aes(y = diff), color = "black") +
geom_point(aes(y = diff), color = "black") +
geom_hline(yintercept = 0, linetype = "dashed", color = "red") +
labs(title = 'Logistic_loss - LDA_loss (Positive = LDA is better)')
## グラフを配置
top_row <- arrangeGrob(train_loss, test_loss, ncol = 2)
bottom_row <- diff_loss
grid.arrange(top_row, bottom_row, ncol = 1)
## LDA > Logisticの件数をカウント
lda_better <- sum(df_result$diff > 0)
logi_better <-sum(df_result$diff < 0)
cat("Logistic is better : ", logi_better, "\nLDA is better : ", lda_better)
## Logistic is better : 13
## LDA is better : 23
たしかに各群の母集団が(共分散が共通の)正規分布であるとき、ベイズ線形判別の方が平均的に見れば汎化性能の意味で優れていそうである。
データが正規分布ではなく、対数正規分布(およびその線形変換)から発生している場合を考える。この場合、ベイズ線形判別・ロジスティック判別ともに仮定を満たしていないが、テキストによればロジスティック判別の方が比較的良い結果を与えるとされている。これは本当か検証したい。
まずは1つのデータセットにて、その判別境界を観察したい。
# データ生成
## パラメータ設定
mean1 <- c(0, 0) # 正規分布1の平均ベクトル
mean2 <- c(1.0, 1.0) # 正規分布2の平均ベクトル
sigma <- matrix(c(1.0, 0, 0, 1.0), nrow = 2) # 共分散行列
## サンプル生成
set.seed(123)
sample1 <- exp(rmvnorm(500, mean1, sigma))
sample2 <- -exp(rmvnorm(500, mean2, sigma)) + mean2
## ラベル付与
label1 <- rep(1, 500)
label2 <- rep(2, 500)
## data.frameに格納
data <- data.frame(x1 = c(sample1[,1], sample2[,1]),
x2 = c(sample1[,2], sample2[,2]),
y = c(label1, label2))
plot(data, col = data$y)
## 分割の実行
split <- split_data(data, train_ratio = 0.8)
train_data <- split$train_data
test_data <- split$test_data
## 判別境界の学習
Logistic <- multinom(y ~ x1 + x2, data = train_data, trace = FALSE)
Logistic
## Call:
## multinom(formula = y ~ x1 + x2, data = train_data, trace = FALSE)
##
## Coefficients:
## (Intercept) x1 x2
## 2.641028 -5.625401 -5.589178
##
## Residual Deviance: 61.97037
## AIC: 67.97037
## 判別境界の学習
LDA <- lda(y ~ x1 + x2, data = train_data)
LDA
## Call:
## lda(y ~ x1 + x2, data = train_data)
##
## Prior probabilities of groups:
## 1 2
## 0.50875 0.49125
##
## Group means:
## x1 x2
## 1 1.726387 1.625967
## 2 -3.542866 -4.305748
##
## Coefficients of linear discriminants:
## LD1
## x1 -0.18809511
## x2 -0.09803917
# 描画
## x1, x2の値域を定義
r1 <- c(-10, 10); r2 <- c(-10, 10)
## 判別境界描画のための格子点を作成
grid <- data.frame(expand.grid(
x1 = seq(r1[1], r1[2], length.out = 500),
x2 = seq(r2[1], r2[2], length.out = 500)
))
## 判別境界の作成
logistic.area <- as.integer(predict(Logistic, grid))
lda.area <- as.integer(predict(LDA, grid)$class)
## プロット画面を4分割
par(mfrow = c(2,2))
## trainデータの散布図: Logistic
plot(grid, col = grey(0.5 + 0.2*logistic.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(train_data$x1, train_data$x2,
xlim = r1, ylim = r2,
col = train_data$y,
pch = train_data$y,
main = "Training(Logistic)"
)
## testデータの散布図: Logistic
plot(grid, col = grey(0.5 + 0.2*logistic.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(test_data$x1, test_data$x2,
xlim = r1, ylim = r2,
col = test_data$y,
pch = test_data$y,
main = "Test(Logistic)"
)
## trainデータの散布図: LDA
plot(grid, col = grey(0.5 + 0.2*lda.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(train_data$x1, train_data$x2,
xlim = r1, ylim = r2,
col = train_data$y,
pch = train_data$y,
main = "Training(LDA)"
)
## testデータの散布図: LDA
plot(grid, col = grey(0.5 + 0.2*lda.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(test_data$x1, test_data$x2,
xlim = r1, ylim = r2,
col = test_data$y,
pch = test_data$y,
main = "Test(LDA)"
)
## プロット画面の分割解除
par(mfrow = c(1,1))
では、前節と同様に複数のデータセットにて実験を行い、汎化性能の分布を以て性能評価を行いたい。
# 群が一様分布から発生している場合の実験
experiment_uniform <- function(seed){
## パラメータ設定
mean1 <- c(0, 0) # 正規分布1の平均ベクトル
mean2 <- c(1.0, 1.0) # 正規分布2の平均ベクトル
sigma <- matrix(c(1.0, 0, 0, 1.0), nrow = 2) # 共分散行列
## サンプル生成
set.seed(seed)
sample1 <- exp(rmvnorm(500, mean1, sigma))
sample2 <- -exp(rmvnorm(500, mean2, sigma)) + mean2
## ラベル付与
label1 <- rep(1, 500)
label2 <- rep(2, 500)
## data.frameに格納
data <- data.frame(x1 = c(sample1[,1], sample2[,1]),
x2 = c(sample1[,2], sample2[,2]),
y = c(label1, label2))
# train/test データへの分割
split <- split_data(data, train_ratio = 0.5)
train_data <- split$train_data
test_data <- split$test_data
# 判別境界の学習
Logistic <- multinom(y ~ x1 + x2, data = train_data, trace = FALSE)
LDA <- lda(y ~ x1 + x2, data = train_data)
# 判別性能
### Logistic: trainデータ誤答率
Logistic.train <- as.integer(predict(Logistic))
Logistic.err.train <- mean(train_data$y != Logistic.train)
### LDA: trainデータ誤答率
LDA.train <- as.integer(predict(LDA)$class)
LDA.err.train <- mean(train_data$y != LDA.train)
### Logistic: testデータ誤答率
Logistic.test <- as.integer(predict(Logistic, test_data))
Logistic.err.test <- mean(test_data$y != Logistic.test)
### LDA: testデータ誤答率
LDA.test <- as.integer(predict(LDA, test_data)$class)
LDA.err.test <- mean(test_data$y != LDA.test)
return(c(Logistic.err.train, Logistic.err.test,
LDA.err.train, LDA.err.test))
}
# 複数のデータセットにて実験
result <- c()
for(i in 1:100){
result <- rbind(result, experiment_uniform(i))
}
df_result <- data.frame(result)
colnames(df_result) <- c("0_train_Logistic", "1_test_Logistic",
"0_train_LDA", "1_test_LDA")
# 描画
df_tidy <- tidyr::gather(df_result, key = "Experiment", value = "Loss")
ggplot(df_tidy, aes(x = Experiment, y = Loss)) +
geom_boxplot()
たしかに母集団が正規分布に従っていない場合では、平均的にロジスティック判別の方がベイズ線形判別よりも良い性能を達成することが見て取れる。
対数事後密度比を一次結合で表現するには、群間の共分散行列が共通であることが必要であった。ここでは、その仮定が満たされない場合にロジスティック判別がどのように振る舞うのか、また2次判別(QDA)との性能評価も併せて行いたい。
データは前回発表と同様のものを使用する。
# データ作成
## グループ1データ
set.seed(1234)
g1 <- matrix(rnorm(600), ncol = 2)
Cor_g1 <- matrix(c(1, .9, .9, 1), 2, 2)
L_g1 <- chol(Cor_g1)
g1 <- g1 %*% L_g1
g1 <- round(sweep(g1, 2, c(20, 25), "*"))
g1 <- round(sweep(g1, 2, c(60, 100), "+"))
## グループ2データ
g2 <- matrix(rnorm(400), ncol = 2)
Cor_g2 <- matrix(c(1, -.8, -.8, 1), 2, 2)
L_g2 <- chol(Cor_g2)
g2 <- g2 %*% L_g2
g2 <- round(sweep(g2, 2, c(10, 15), "*"))
g2 <- round(sweep(g2, 2, c(75, 55), "+"))
## 両グループを結合
data <- data.frame(
rbind(g1, g2),
class = c(rep(1, nrow(g1)), rep(2, nrow(g2)))
)
## カラム名の調整
colnames(data) <- c('x1', 'x2', 'y')
## 描画
plot(data, col = data$y)
# train/test データへの分割
split <- split_data(data, train_ratio = 0.8)
train_data <- split$train_data
test_data <- split$test_data
## trainラベル比率の確認
table(train_data$y)
##
## 1 2
## 240 160
## testラベル比率の確認
table(test_data$y)
##
## 1 2
## 60 40
## 判別境界の学習
Logistic <- multinom(y ~ x1 + x2, data = train_data, trace = FALSE)
Logistic
## Call:
## multinom(formula = y ~ x1 + x2, data = train_data, trace = FALSE)
##
## Coefficients:
## (Intercept) x1 x2
## 1.6188492 0.1968832 -0.1767354
##
## Residual Deviance: 103.1323
## AIC: 109.1323
## 判別境界の学習(LDA)
LDA <- lda(y ~ x1 + x2, data = train_data)
LDA
## Call:
## lda(y ~ x1 + x2, data = train_data)
##
## Prior probabilities of groups:
## 1 2
## 0.6 0.4
##
## Group means:
## x1 x2
## 1 59.9625 99.77917
## 2 74.0500 55.48750
##
## Coefficients of linear discriminants:
## LD1
## x1 0.06291652
## x2 -0.05736460
## 判別境界の学習(QDA)
QDA <- qda(y ~ x1 + x2, data = train_data)
QDA
## Call:
## qda(y ~ x1 + x2, data = train_data)
##
## Prior probabilities of groups:
## 1 2
## 0.6 0.4
##
## Group means:
## x1 x2
## 1 59.9625 99.77917
## 2 74.0500 55.48750
# 描画
## x1, x2の値域を定義
r1 <- range(data$x1); r2 <- range(data$x2)
## 判別境界描画のための格子点を作成
grid <- data.frame(expand.grid(
x1 = seq(r1[1], r1[2], length.out = 500),
x2 = seq(r2[1], r2[2], length.out = 500)
))
## 判別境界の作成
logistic.area <- as.integer(predict(Logistic, grid))
lda.area <- as.integer(predict(LDA, grid)$class)
qda.area <- as.integer(predict(QDA, grid)$class)
## プロット画面を4分割
par(mfrow = c(1,3))
## trainデータの散布図: Logistic
plot(grid, col = grey(0.5 + 0.2*logistic.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(train_data$x1, train_data$x2,
xlim = r1, ylim = r2,
col = train_data$y,
pch = train_data$y,
main = "Training(Logistic)"
)
## trainデータの散布図: LDA
plot(grid, col = grey(0.5 + 0.2*lda.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(train_data$x1, train_data$x2,
xlim = r1, ylim = r2,
col = train_data$y,
pch = train_data$y,
main = "Training(LDA)"
)
## trainデータの散布図: QDA
plot(grid, col = grey(0.5 + 0.2*qda.area),
xlim = r1, ylim = r2)
par(new = TRUE)
plot(train_data$x1, train_data$x2,
xlim = r1, ylim = r2,
col = train_data$y,
pch = train_data$y,
main = "Training(QDA)"
)
## プロット画面の分割解除
par(mfrow = c(1,1))
このデータセットにおいては、QDAが尤もらしく見える。また、LDAはロジスティック判別よりも境界面が右下に引っ張られているように見える。では、前節同様に複数のデータセットにおいて汎化性能の比較を行う。
# 群間の共分散行列が等しくない場合の実験
experiment_diff_covariance <- function(seed){
# データ作成
## グループ1データ
set.seed(seed)
g1 <- matrix(rnorm(600), ncol = 2)
Cor_g1 <- matrix(c(1, .9, .9, 1), 2, 2)
L_g1 <- chol(Cor_g1)
g1 <- g1 %*% L_g1
g1 <- round(sweep(g1, 2, c(20, 25), "*"))
g1 <- round(sweep(g1, 2, c(60, 100), "+"))
## グループ2データ
g2 <- matrix(rnorm(400), ncol = 2)
Cor_g2 <- matrix(c(1, -.8, -.8, 1), 2, 2)
L_g2 <- chol(Cor_g2)
g2 <- g2 %*% L_g2
g2 <- round(sweep(g2, 2, c(10, 15), "*"))
g2 <- round(sweep(g2, 2, c(75, 55), "+"))
## 両グループを結合
data <- data.frame(
rbind(g1, g2),
class = c(rep(1, nrow(g1)), rep(2, nrow(g2)))
)
## カラム名の調整
colnames(data) <- c('x1', 'x2', 'y')
# train/test データへの分割
split <- split_data(data, train_ratio = 0.8)
train_data <- split$train_data
test_data <- split$test_data
# 判別境界の学習
Logistic <- multinom(y ~ x1 + x2, data = train_data, trace = FALSE)
LDA <- lda(y ~ x1 + x2, data = train_data)
QDA <- qda(y ~ x1 + x2, data = train_data)
# 判別性能
### Logistic: testデータ誤答率
Logistic.test <- as.integer(predict(Logistic, test_data))
Logistic.err.test <- mean(test_data$y != Logistic.test)
### LDA: testデータ誤答率
LDA.test <- as.integer(predict(LDA, test_data)$class)
LDA.err.test <- mean(test_data$y != LDA.test)
### QDA: testデータ誤答率
QDA.test <- as.integer(predict(QDA, test_data)$class)
QDA.err.test <- mean(test_data$y != QDA.test)
return(c(Logistic.err.test, LDA.err.test, QDA.err.test))
}
# 複数のデータセットにて実験
result <- c()
for(i in 1:100){
result <- rbind(result, experiment_diff_covariance(i))
}
df_result <- data.frame(result)
colnames(df_result) <- c("1_Logistic", "2_LDA", "3_QDA")
# 描画
df_tidy <- tidyr::gather(df_result, key = "Experiment", value = "Loss")
ggplot(df_tidy, aes(x = Experiment, y = Loss)) +
geom_boxplot()
上図より、共分散行列が群間で異なる場合は汎化性能の意味でQDAが最も優れており、次点にロジスティック判別がくる。正規性仮定から外れた場合は、LDAよりもロジスティック判別が汎化性能において優れていることは前節にて確認したが、ここでも同様の結果が得られた。
以上から、群間での共分散行列が異なる場合はロジスティック判別ではなくQDAを選択するのが良いと思われる。
ここまでの実験内容を整理すると、
各群が正規分布に従う(共分散行列は共通)場合はLDAが最良
各群が正規分布に従う(共分散行列は異なる)場合はQDAが最良
それ以外の正規性仮定から外れた場合は、ロジスティック判別が最良
である。ロジスティック判別が導入された文脈を思い出してみると、LDAやQDAは判別境界を引くためだけにおいては”無駄な”パラメータを推定しているのであった。前節までの高々2次元空間においては、LDA/QDAに軍配が上がるケースにおいても、次元数を大きくするとどこかでロジスティック回帰が勝ると予想される。本節ではそれを検証したい。
検証するにあたっては、“データの次元数”のみを実験対象としたいため、ロジスティック判別とLDAでの比較検証とする(QDAは、共分散行列に関する仮定がロジスティック判別と異なり、実験結果の差分が仮定起因なのか次元数起因なのか不明瞭になると考え実験対象外とした)
# 正規分布の次元数を変えた時の実験
experiment_num_dims <- function(dim, seed){
# データ生成
## パラメータ設定
set.seed(seed)
mean1 <- rnorm(dim, mean=0.3, sd=runif(1)) # 正規分布1の平均ベクトル
mean2 <- rnorm(dim, mean=0.0, sd=runif(1)) # 正規分布2の平均ベクトル
sigma <- diag(rep(1,dim)) # 共分散行列
## サンプル生成
n <- 100
sample1 <- rmvnorm(n, mean1, sigma)
sample2 <- rmvnorm(n, mean2, sigma)
## ラベル付与
label1 <- rep(1, n)
label2 <- rep(2, n)
## data.frameに格納
data <- data.frame(rbind(sample1, sample2),
y = c(label1, label2))
# train/test データへの分割
split <- split_data(data, train_ratio = 0.5)
train_data <- split$train_data
test_data <- split$test_data
# 判別境界の学習
Logistic <- multinom(y ~ ., data = train_data, trace = FALSE)
LDA <- lda(y ~ ., data = train_data)
# 判別性能
### Logistic: testデータ誤答率
Logistic.test <- as.integer(predict(Logistic, test_data))
Logistic.err.test <- mean(test_data$y != Logistic.test)
### LDA: testデータ誤答率
LDA.test <- as.integer(predict(LDA, test_data)$class)
LDA.err.test <- mean(test_data$y != LDA.test)
return(c(dim,Logistic.err.test-LDA.err.test))
}
# 複数のデータセットにて実験
result <- c()
for(d in 2:100)
for(s in 1:10)
result <- rbind(result, experiment_num_dims(dim=d, seed=s))
df_result <- data.frame(result)
colnames(df_result) <- c("dim", "loss_diff")
## 性能差の描画
ggplot(df_result, aes(x = factor(dim), y = loss_diff)) +
geom_boxplot() +
geom_hline(yintercept = 0, linetype = "dashed", color = "red") +
labs(title = "Logistic_loss - LDA_loss (Positive: LDA is better)")
各群のサンプルサイズを100としたとき、次元数が70付近まではLDAの方が高い性能であるが、それ以降はロジスティック判別が優れていることがわかる。
以上から、次元数(推定パラメータ数)に対してサンプルサイズが小さい場合は、LDAよりもロジスティック判別の方が適切と言える。
ベイズ判別にせよロジスティック判別にせよ、マーケティング実務で取り扱う際にはその分類精度だけではなく、各クラスへの所属確率も重要な情報源となる。
例えば、Uplift modelingによるクーポン配布最適化を考える。Uplift
modelでは、
\[
\begin{align}
\text{Uplift Score} = P(CV | \text{クーポン有}) - P(CV |
\text{クーポン無})
\end{align}
\]
を推定することになるが、この際「CVするか否か」さえ当たっていれば良いのではなく確率値(CVR)そのものの信頼性も重要となる。本当はCVR=60%のところを99%と予測されてはマーケティング戦略も変わってしまうからである(確率50%を閾値とした場合は、どちらも分類は同じになる)。
予測確率自体の信頼性評価として、キャリブレーションプロットが有名である(参考)。
今回はベイズ判別・ロジスティック判別を分類精度の見地から整理したが、今後の研究課題として予測確率の信頼性からも整理してみたい。筆者の現時点での仮説では、データの発生分布を直接推定するベイズ判別の方が近似を挟んでいない分、キャリブレーションの意味で優れていそうではあるが、数値実験によりこれを検証したい。